灯光一打,学生就懂了:AI外观缺陷检测课上绕不过的那几个坑

上周三下午,实验楼三层。学生小周把一套视觉模组架在铝型材台上,相机对着一个压铸铝壳拍了二百多张图,屏幕上出来一片白。他转头问我:老师,是不是算法不对?

我让他先把鼠标放下。凑近看,那堆图里有七十多张的右下角全是亮斑。不是模型的事,是光打错了。

所以我现在讲AI外观缺陷检测,开头十分钟绝不碰神经网络。

一、先让他们拍废三百张照片

课上我给的任务很土:工件固定、相机固定,唯一能动的变量是光源。环形光、条形光、同轴光、低角度暗场,一样样试。学生刚开始很烦躁——有人直接说,老师我们能不能直接上YOLO,跑通再回来补光?

可以啊。我说,你先跑。跑完我们再看结果。

结果当然不好看。同一道0.2毫米的划痕,斜向暗场打过去,沟壑清清楚楚;换成正面均匀打光,那道划痕直接消失。相机没变。镜头没变。算法参数一个没动。学生在屏幕前沉默了几秒,然后有人小声说了句:原来是光的事。

这句话,比我讲半小时成像原理都管用。

后来我把这个环节的课时从一次加到两次。因为学生真正卡住的地方,从来不是“怎么训练一个模型”,而是“凭什么让相机看到缺陷”。前者网上教程一抓一把,后者得靠手摸出来。

机器视觉检测环形光源与低角度暗场打光对比示意图
机器视觉检测环形光源与低角度暗场打光对比示意图

二、光源和镜头,本来就该是机械设计的活儿

机械设计专业的学生有个特点:会画支架,会标公差,会算强度。但一说到景深、视场、分辨率换算,眼神就飘了。

我出过一道题。检测幅面200mm乘150mm,要看见0.1mm的缺陷,需要多少像素的相机?大部分人打开手册翻参数,翻半天选了个五百万像素的,理由是“看着挺高”。

那就来算。按每个缺陷至少占三到五个像素的保守估计,横向上需要多少?算完他们会发现,选型不是抄参数表,是反推出来的。

更麻烦的是另一头。工作距离拉远,景深变大,可分辨率掉下来;凑近了拍,细节够了,工件稍微一翘就虚焦。这时候你回过头看,问题又回到机械结构上——定位面怎么设计,压紧方式选弹簧还是气缸,工件放上去会不会有零点几毫米的浮动。

AI外观缺陷检测的精度上限,有一半不是算法给的,是机械给的。这句话我在课上重复过很多次,每年还是有人不信,直到他们自己撞上。

工业相机镜头景深与工作距离布置机械结构示意图
工业相机镜头景深与工作距离布置机械结构示意图

三、一次误检复盘:模型一行没改

三、一次误检复盘:模型一行没改
三、一次误检复盘:模型一行没改

前年带一组学生做小批量产线的模拟检测。刚上线那两天检出率很漂亮,第三天开始误检率往上窜。

他们先怀疑数据集。又怀疑过拟合。调了两天参数,没救回来。

我让他们别动代码,去看夹具。尼龙垫块磨了,工件高度差了0.6毫米,正好掉出景深范围。换金属定位销加弹簧压紧之后,问题没了。

还有一次是下午西晒。四点钟以后,太阳斜射进窗户,工件表面多了一层方向光,模型把反光边界认成了缺陷。加个遮光罩,花几十块钱。

模型一行没改。这个案例我每年都讲。它不发生在论文里,发生在他们自己手上,所以听得进去。

四、被我砍掉的课时,和没砍掉的东西

四、被我砍掉的课时,和没砍掉的东西
四、被我砍掉的课时,和没砍掉的东西

传统图像处理那部分,以前我讲四周,阈值分割、边缘检测、模板匹配,一套一套讲。现在压到两次课。

不是它过时了。恰恰相反,缺陷特征稳定、节拍要求高的场合,模板匹配比深度学习稳得多,还好维护。但学生得先建立“成像—特征—判定”这条链子,才有资格谈取舍。顺序错了,学多少工具都是浮的。

数据标注那块,我也砍了讲的部分,改成让学生用同一批缺陷图,分别训一个二分类和一个分割模型,自己看差别。为什么?因为标注质量这事,讲是讲不明白的。得让他们亲手标一遍烂数据,才知道为什么企业要写那么厚的标注规范。

有意思的是学生反馈。期末评教里有人写:以前以为画完图就完事了,现在知道还得管光。还有一条我印象挺深——“做机械的,原来也要懂点成像”。

说实话,看到这句的时候我有点高兴。也有点心虚。因为我自己当年学机械,也是只画图,不管光。

课还在改。下学期打算把光源选型做成一个小实验台,让学生拆着换。至于能不能做出来……先干着看吧。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:灯光一打,学生就懂了:AI外观缺陷检测课上绕不过的那几个坑
文章链接:https://www.yqhljx.com/list_9/6004.html